Pu4

Revista Ingeniería de Sistemas Volumen XXVI, Septiembre 2012
Modelos de Programación Matemática
Para Asignación de Pabellones
Quirúrgicos en Hospitales Públicos
Patrcio Wolff *
Guillermo Durán **
Pablo Rey ***
Resumen
Actualmente, el sistema de salud chileno no responde satisfactoria-
mente la demanda de atenciones quirúrgicas electivas. Esto origina largos
tiempos de espera para los pacientes. La programación de intervenciones
quirúrgicas en un centro médico impacta directamente sobre el número
de pacientes tratados. En este contexto, la programación de pabellones
debe contemplar, aparte del problema de agendamiento, la determinación
del grupo de pacientes que debe ser intervenido en función de sus prio-
ridades relativas. En este trabajo se desarrollaron y compararon cuatro
modelos de optimización que permiten la programación de pabellones
durante intervalos de tiempo especícos, respetando las prioridades de
los pacientes. Los modelos desarrollados se estudiaron bajo distintos es-
cenarios, basados en información real de hospitales públicos. Las pruebas
realizadas muestran que la elección del modelo depende de las caracterís-
ticas de los escenarios. En escenarios reales, es posible obtener mejoras
de entre un 10 % y un 15 % del tiempo total de utilización comparado
con los métodos manuales utilizados actualmente.
Palabras clave: Pabellones Quirúrgicos, Programación Entera, Back-
tracking.
*
Departamento de Ingeniería Industrial, Facultad de Ciencias Físicas y Matemáticas.
Universidad de Chile, Santiago, Chile.
**
Instituto de Cálculo y Departamento de Matemática, Facultad de Ciencias Exactas y
Naturales, Universidad de Buenos Aires, Argentina. CONICET, Argentina. Departamento
de Ingeniería Industrial, Facultad de Ciencias Físicas y Matemáticas.
***
Escuela de Ingeniería Industrial, Facultad de Ingeniería, Universidad Diego Portales,
Santiago, Chile.
23

P. Wolff, G. Durán, P. Rey
Modelos de Programación Matemática Para Asignación
de Pabellones Quirúrgicos en Hospitales Públicos
1. Introducción
El pabellón quirúrgico es un recinto especialmente diseñado y equipado para
realizar actividades anestésicas o quirúrgicas. La programación de las activi-
dades quirúrgicas en un centro médico es un proceso muy complejo [13]. La
programación de las actividades y la disponibilidad de recursos impactan di-
rectamente en el número de pacientes tratados, los tiempos de espera y el nivel
de rendimiento del sistema [11]. Como el sistema de salud pública chileno no
es capaz de responder a la demanda total de atenciones quirúrgicas electivas
(intervenciones no urgentes), existen listas de espera de pacientes. Determinar
qué grupo de pacientes debe ser intervenido depende de la disponibilidad de
recursos, de los tiempos de espera y de criterios biomédicos. Las complicaciones
de la asignación surgen del gran número de consideraciones que se deben tener
cuando se realiza la programación [2, 7]. Algunas de las variables involucradas
son: la gran variedad de operaciones quirúrgicas, los tiempos de operación, las
prioridades relativas de los pacientes, la capacidad del centro médico, la per-
manencia de los pacientes en hospitalización, los horarios médicos y la edad de
los pacientes [5].
En la literatura, es posible encontrar un gran número de desarrollos que
presentan modelos de gestión de pabellones y optimización de recursos de pa-
bellón [3, 16]. Estos se reeren principalmente a la forma en la cual se asignan
los recursos del hospital. La asignación de recursos puede ser realizada en dife-
rentes niveles de decisión. En algunos estudios [2, 12] se toma la decisión sobre
la intervención asociada a cada paciente y se asigna fecha, hora y pabellón.
Estos estudios asumen una asignación histórica de especialidades a bloques
horarios y pabellones.
El objetivo principal de este trabajo es desarrollar y proponer modelos
que permitan programar pabellones quirúrgicos en un hospital público. Esta
programación debe contemplar una serie de consideraciones relativas a los pa-
cientes que esperan ser atendidos y a las características propias del hospital.
A esta programación se le denomina tabla quirúrgica y contiene la plani-
cación de los recursos y el orden de intervención de los pacientes en un tiempo
determinado.
Mediante los modelos presentados se pretende obtener una optimización
en el uso del recurso pabellón, pero respetando las prioridades relativas de
los pacientes que son seleccionados para ser atendidos. Por otro lado, la uti-
lización de una sistematización asociada a la priorización y calendarización de
intervenciones quirúrgicas presenta una oportunidad para lograr una mayor
24

transparencia y mejorar la equidad en la asignación de los recursos [13].
1.1. Consideraciones Particulares del Problema
Los hospitales en Chile pertenecen a diferentes servicios de salud que com-
ponen la red asistencial pública. Los hospitales se clasican en base a las com-
plejidades de las atenciones que realizan. Los hospitales de alta y mediana
complejidad poseen pabellones quirúrgicos que atienden cirugías de urgencia
y electivas. En general, los hospitales están divididos por especialidades médi-
cas, que realizan sus intervenciones en los pabellones de cirugía electiva y en
horarios previamente establecidos para ellas. Esta asignación está basada en
factores históricos y en la disponibilidad de personal. En los hospitales estudia-
dos un pabellón disponible para una especialidad contempla: el espacio físico,
los insumos, los anestesistas, el equipamiento y el equipo médico (enfermera
arsenalera y pabellonera). La programación por especialidad debe especicar:
los pacientes que deben ser atendidos en los bloques horarios asignados, el
orden de intervención, los médicos cirujanos y el pabellón (en caso de exis-
tir más de uno disponible simultáneamente). A continuación se presentan las
consideraciones del problema que fueron contempladas en este trabajo:
1. Un paciente no puede ser operado dos veces en un mismo periodo de
programación. Ésta es una limitación del modelo, pero que es consistente
con lo que ocurre en los hospitales estudiados.
2. Los pacientes pueden no estar disponibles para ser operados en algún día
especíco. Es decir, los pacientes no necesariamente pueden ser operados
cuando las condiciones por parte del hospital están dadas.
3. Se cuenta con una lista priorizada de pacientes/diagnósticos que serán
operados por especialidad. Esta prioridad está denida como se describe
en la sección 1.2.
4. Se respeta una prioridad relativa de los pacientes que considera factores
médicos y de tiempo de espera. Sin embargo, podrían no incluirse en la
programación pacientes que debido a sus características, no puedan ser
asignados en el período de programación.
5. El período de programación considerado es de una semana laboral (cinco
días hábiles)
6. Los pacientes con prioridad más alta se asignan preferentemente al prin-
cipio del período de programación.
25

7. Se consideran pacientes especiales. Esta condición es determinada en
caso que el paciente tenga otra complicación (ej.: alergia al látex, menor
de un año) que requiera que sólo se pueda programar su intervención
quirúrgica a primera hora del día.
8. El Hospital cuenta con información detallada de la disponibilidad horaria
de su personal.
9. Se debe intentar repartir de forma equitativa la carga de trabajo de los
médicos cada semana. Esta repartición se debe hacer proporcional a un
porcentaje de horas denidas por el hospital.
10. Los médicos son especialistas en operar algunas intervenciones.
11. Los horarios de atención son de lunes a viernes de 8:00 a 13:00 hrs. en la
jornada de la mañana y de 14:00 a 17:00 hrs. en la jornada de la tarde.
12. Cada especialidad médica administra sus pacientes de manera indepen-
diente, por lo que existen tantas listas de espera como número de espe-
cialidades.
13. En una misma jornada, cada especialidad médica, tiene asignado uno,
más de uno o ningún pabellón para programar sus intervenciones.
14. La programación de los pabellones es generada por especialidad, utilizan-
do los pabellones y jornadas previamente asignados para ésta.
15. En los hospitales estudiados, ninguna especialidad tuvo, en el intervalo
de estudio, más de dos pabellones asignados simultáneamente.
16. Los pabellones quirúrgicos son diferentes entre sí y están especializados
en algunas clases de intervenciones.
17. Las intervenciones quirúrgicas requieren de dos médicos. En el caso de ser
especicado un médico para un paciente, se deben buscar turnos en los
cuales el médico especicado está acompañado por un segundo médico.
18. Se permiten sobrepasos (tiempo extra de la jornada regular) en los ho-
rarios determinados por el hospital, para la programación de pabellones
quirúrgicos. Estos sobrepasos permiten mejorar la eciencia, pero re-
quieren de un compromiso por parte del hospital que garantice cubrir
los costos extras de esta consideración.
26

1.2. Priorización de Pacientes
La priorización de pacientes en lista de espera quirúrgica electiva ha sido
ampliamente estudiada [4, 6, 8, 9, 10, 14, 15]. En [10] se destaca la importancia
de la priorización basándose en los efectos de ésta en la disminución de las
consecuencias de una espera muy prolongada en determinadas cirugías.
En [4] se considera la prioridad de los pacientes en una asignación centrada
en la comparativa de los costos de postergar una intervención en función de los
costos de realizarla . Desde el punto de vista de la programación de pabellones
es fundamental contar con una lógica de priorización que permita obtener la
posición relativa de pacientes en la lista de espera y que se adecue al sistema
de salud chileno y a la información del paciente que este maneja. Este trabajo
utiliza lo presentado en [14], donde se muestra la ventaja de utilizar el cál-
culo del NAWD (Need Adjusted Waiting Day ) o Tiempo de espera necesario
ajustado. Para realizar esta priorización de pacientes, se debe contar con la
categoría biomédica de cada paciente (que se determina en base al tiempo de
espera máximo determinado para cada intervención). Por otro lado, es impor-
tante saber la cantidad de días de espera desde el diagnóstico de la cirugía
hasta el momento de la programación. Para poder priorizar los pacientes se
calcula para cada uno el NAWD, determinado por la siguiente fórmula:
NAWDi = Pondi · tei, Pondi ∈ {1, 2, 4, 12, 48} (1)
donde tei representa el tiempo de espera del paciente i en días y Pondi
representa un factor relacionado con la categoría del paciente. Mientras más
urgente el diagnóstico del paciente, mayor debería ser el Pondi. Una vez que
se calculan los NAWD para cada paciente se pueden ordenar y este orden
decreciente por NAWD es el considerado como la lista priorizada.
2. Métodos Desarrollados
Una consideración importante de los métodos desarrollados es que el problema
principal se dividió en 3 subproblemas. El primero, pretende solucionar qué
día se opera cada paciente. El segundo subproblema, corresponde a asignar los
médicos a las intervenciones de manera más equitativa. El tercer problema,
soluciona en qué orden se debe operar dentro del día, dado los pacientes que
fueron asignados para cada día.
La división del primer subproblema con el segundo se basa en el hecho que
la repartición de la carga de médicos es un objetivo secundario en el problema
de programación de pabellones de los hospitales estudiados. La idea es no
27

considerar a priori el objetivo de la repartición de la carga de médicos en
la asignación y una vez que se encuentre la solución óptima para el primer
subproblema, tratar de mejorar el resultado del segundo subproblema con un
algoritmo que ayude a mejorar la asignación, respetando todas las restricciones
consideradas a priori.
La repartición de carga de médicos (que determina qué equipo médico que
opera en cada intervención) se realiza en función de un porcentaje denido por
el hospital. En algunos casos, este porcentaje depende de la cantidad de horas
contratadas de cada médico.
La solución del primer subproblema sólo busca alternativas factibles en lo
que se reere a la carga de los médicos. Este subproblema permite repartir de
una manera más equitativa la carga entre médicos que poseen distintos niveles
esperados de ocupación. Este subproblema persigue un objetivo, que desde el
punto de vista médico, es menos importante que los objetivos que persiguen
los otros subproblemas. En este sentido, se puede utilizar un algoritmo que
mejore la solución, pero no necesariamente busque la solución óptima.
La separación del tercer subproblema se plantea debido a que el orden no
altera la utilización del pabellón al momento de asignar los pacientes. La repar-
tición óptima de médicos que determina qué médico opera en cada intervención
y el ordenamiento de los pacientes al interior de cada jornada no será aborda-
da en esta investigación, ya que no corresponden a un problema signicativo
desde el punto de vista de su complejidad.
Esta consideración se plantea debido principalmente a que el orden de los
pacientes dentro del día no altera la utilización del pabellón. La determinación
del orden (que determina la hora especíca de intervención) se realizará luego
que cada paciente es asignado a una jornada. En este caso se ordenan los
distintos pacientes en la misma jornada considerando:
Si existe paciente especial, éste se ubica a primera hora.
Luego, se ordenan los pacientes por edad.
Este ordenamiento no requiere de un modelo de optimización matemático
debido a las características de las restricciones asociadas a este subproblema.
Los métodos desarrollados y que fueron comparados, determinan a qué
pacientes de una lista priorizada y en qué momento se debe operar para mejorar
la utilización de los pabellones del hospital. Se plantearon para la resolución del
primer subproblema un modelo de programación lineal entera, el que contempla
una variante, un algoritmo basado en un modelo de factibilidad y un algoritmo
de tipo Backtracking. En las siguientes secciones se describen dichos modelos.
28

2.1. Modelo de Programación Lineal Entera
Se presentan a continuación los índices, parámetros, variables, restricciones
y función objetivo del modelo de programación lineal entera.
2.1.1. Índices y Parámetros
A continuación se muestran las deniciones de los índices que son utilizados
para el modelo:
doc1: médicos principales
doc2: médicos secundarios
i: día
p: Paciente
pab: Pabellones
OP: Operación
Los parámetros de entrada del modelo de programación lineal entera son
los que se muestran a continuación:
Duri: Duración del día i expresado en minutos
STi: Sobrepaso horario máximo del día i expresado en minutos
Opep: Intervención quirúrgica que se debe realizar al paciente p
Durap: Duración de la intervención que se le debe realizar al paciente p
Esta duración considera el tiempo quirúrgico y los tiempos de preparación
y limpieza.
Prip: Prioridad del Paciente p
La regla lexicográca: Es mejor operar a un paciente prioritario, que
todo el resto de pacientes menos prioritarios que éste permite estable-
cer los valores de Prip. Si se utilizan valores enteros, no es difícil notar
que aparecen términos que crecen de manera exponencial a medida que
aumenta la prioridad. Es decir, si N es el número de pacientes, para el
paciente j de la lista priorizada de pacientes se tiene:
Prij = 2N−j
(2)
29

MNi =
1, si el día i se puede asignar un paciente especial
0, en otro caso
ESPp =
1, si el paciente p es especial
0, en otro caso
Coindoc1,doc2 =
1, si doc1 = doc2
0, en otro caso
f1doc1
p =



1, si el médico doc1 puede realizar la intervención
del paciente p
0, en otro caso
En los hospitales estudiados, no todos los pabellones eran iguales entre
ellos. Existían algunos con algunas características especiales que per-
mitían poder realizar determinados tipos de intervenciones.
fpab
p =



1, si en el pabellón pab se puede realizar la intervención
del paciente p
0, en otro caso
DOCTdoc1
p =



1, si el médico doc1 debe realizar la intervención
del paciente p
0, en otro caso
Asigdoc1
p =
1, si el paciente p tiene el médico asignado
0, en otro caso
d1doc1
i =
1, si el médico doc1 trabaja el día i
0, en otro caso
d2doc2
i =
1, si el médico doc2 trabaja el día i
0, en otro caso
corpab
i =
1, si el pabellón pab corresponde al día i
0, en otro caso
dispp
i =
1, si el paciente p está disponible el día i
0, en otro caso
30

2.1.2. Variables
La variable de decisión del modelo es la siguiente:
tp,doc1,doc2,pab
i =



1, si el paciente p se atiende con los médicos doc1 y doc2
en el pabellón pab el día i
0, en otro caso
La variable que indica si un sobrepaso horario es o no utilizado:
xi =
1, si se utiliza el sobrepaso horario el día i
0, en otro caso
2.1.3. Restricciones
A continuación se presentan las restricciones del modelo de programación
lineal entera:
1. No se pueden programar intervenciones en pabellones y días en los que no
es factible realizar intervenciones. El número M1 debe ser mayor o igual
que el máximo de intervenciones que es factible realizar en una jornada
de trabajo.
p,doc1,doc2
tp,doc1,doc2,pab
i ≤ M1 · corpab
i , ∀pab, i (3)
2. No se pueden programar intervenciones cuando no hay médicos que
puedan realizar dichas intervenciones. El número M2 debe ser mayor
que el máximo de intervenciones que puede realizar un médico en una
jornada de trabajo.
p,doc2,pab
tp,doc1,doc2,pab
i ≤ M2 · d1doc1
i , ∀doc1, i (4)
p,doc1,pab
tp,doc1,doc2,pab
i ≤ M2 · d2doc2
i , ∀doc2, i (5)
3. Se debe evitar que el mismo médico sea asignado como médico principal
y secundario en la misma intervención.
pab,i
Coindoc1,doc2 · tp,doc1,doc2,pab
i ≤ 0, ∀p, doc1, doc2 (6)
31

4. Se debe evitar que se programen intervenciones cuando los pacientes no
están disponibles.
doc1,doc2,pab
tp,doc1,doc2,pab
i ≤ dispp
i , ∀i, p (7)
5. Cada paciente no puede ser operado más de una vez en el horizonte de
tiempo considerado.
i,doc1,doc2,pab
tp,doc1,doc2,pab
i ≤ 1, ∀p (8)
6. Si existe médico asignado, sólo él debe realizar la intervención. Si no
existe, entonces el médico debe saber realizar la intervención. Aquí, Asigp
es el parámetro que indica si el paciente tiene asignado o no al médico
primario que debe realizar la intervención.
i,doc2,pab
tp,doc1,doc2,pab
i ≤ Asigp · DOCTdoc1
p
+ (1 − Asigp) · f1doc1
p , ∀p, doc1
(9)
7. La siguiente restricción apunta a que no se programen intervenciones
en pabellones en los cuales por las características de los mismos no se
puedan realizar las intervenciones especícas de los pacientes.
i,doc1,doc2
tp,doc1,doc2,pab
i ≤ fpab
p , ∀p, pab (10)
8. La siguientes restricciones indican que la programación en cada jornada
no debe exceder el tiempo máximo, más un sobrepaso horario permitido,
STi y en dicho caso, la variable xi tomará el valor 1.
p,doc1,doc2,pab
Durap · tp,doc1,doc2,pab
i ≤ Duri + STi · xi, ∀i (11)
p,doc1,doc2,pab
Durap · tp,doc1,doc2,pab
i ≥ Duri · xi, ∀i (12)
32

9. Los pacientes considerados especiales deben ser programados únicamente
a primera hora de la mañana. Esta condición hace que sea imposible
programar más de un paciente especial en la mañana. El parámetro MNi
indica si la jornada es de mañana o no y como su valor es 0 ó 1 a lo más
se podrá programar sólo un paciente especial (en cuyo caso ESPp será
1).
p,doc1,doc2,pab
ESPp · tp,doc1,doc2,pab
i ≤ MNi, ∀i (13)
10. Naturaleza de las variables.
xi ∈ {0, 1} ∀i
tp,doc1,doc2,pab
i ∈ {0, 1} ∀p, doc1, doc2, pab, i
2.1.4. Función Objetivo
La función objetivo del modelo de programación lineal entera considera 3
criterios diferentes. A continuación se presentan los mismos:
1. Respeto de la Prioridad: En la investigación previa al desarrollo de los
modelos se intentó llegar a un acuerdo con los médicos sobre los criterios
de asignación. De esta investigación aparece la siguiente regla lexicográ-
ca: Es mejor operar a un paciente urgente, que todo el resto de pacientes
menos prioritarios que éste. Esta regla entrega una aproximación a lo
deseado por los médicos, en lo que reere a la asignación de pabellones.
La prioridad es incorporada entonces a la decisión de la siguiente forma:
λF ·
i,p,doc1,doc2,pab
Prip · tp,doc1,doc2,pab
i (14)
donde Prip es un valor que es mayor para los pacientes con prioridades
más altas. Esta forma de modelar la prioridad respeta la regla lexicográ-
ca denida por el personal del hospital. Es fácil ver que este valor crece
exponencialmente con el número de pacientes si se respeta estrictamente
esta consideración. λF es un ponderador que permite establecer el peso
de este criterio en la función objetivo.
33

2. Penalización por Sobrepasos Horarios: El término xi toma el valor 1
si utiliza el sobrepaso horario de la jornada i. Este término permite incor-
porar a la función objetivo una penalización por el uso de los sobrepasos
horarios en conjunto con un parámetro λH (constante para todos los
días), que permite modelar el peso relativo de este criterio en la función
objetivo. Es decir que en la función objetivo aparece:
λH ·
i
xi (15)
3. Pacientes más Urgentes al Principio de la Semana: La idea de-
trás de este término es entregar una bonicación por operar primero en
el intervalo de programación a un paciente más prioritario. Es decir, en
la función objetivo aparece un término como el que se muestra a conti-
nuación:
λS ·
i,p,doc1,doc2,pab
δp
i · tp,doc1,doc2,pab
i (16)
donde λS permite modelar el peso relativo de este criterio en la función
objetivo. El valor de δp
i se determina de la siguiente manera:
δp
i = M − (p − 1) − (i − 1) (17)
donde M debe ser mayor que el máximo número de pacientes más el
número de jornadas (recordar que los pacientes están ordenados por prio-
ridad decreciente).
Con ésto, la función objetivo del modelo queda de la forma que se muestra
a continuación:
m´ax λF ·
i,p,doc1,doc2,pab
Prip · tp,doc1,doc2,pab
i − λH ·
i
xi
+λS ·
i,p,doc1,doc2,pab
δp
i (18)
En esta fórmula aparece λF , este valor por simplicidad del modelo puede
ser considerado para todos los casos como 1. En este modelo se utilizaron
34

valores de λH y λS elegidos luego de realizar algunas pruebas. Estos valores se
eligieron independientes del número de pacientes y sólo dependiente del valor
del Prip del paciente más prioritario. Se probaron diferentes valores para λH
y λS, encontrando que los valores que mejor representan la relación entre los
criterios son los que se presentan a continuación:
λH = Pri N/2 y λS = Pri N/4 (19)
donde N es el número de pacientes de cada escenario. Es posible observar
que en esta función objetivo aparecen algunos términos que a simple vista no
son comparables. Se probó dejar sólo la consideración de la prioridad en la
función objetivo y las otras como restricciones con un parámetro ajustable.
Sin embargo, los resultados obtenidos en estas pruebas fueron muy similares a
los del modelo aquí planteado. Por otro lado, la forma en la que se construyen
λH y λS permiten hacer más comprables los términos de la función objetivo
del modelo planteado.
2.2. Variante del Modelo de Programación Lineal Entera
El modelo que se detalla a continuación corresponde a un modelo de progra-
mación lineal entera con modicaciones especícamente en lo relacionado con
la prioridad. La modicación se basa en calcular nuevos pesos a la asignación
de pacientes, en lugar de Prip que mantenga la propiedad de ser mayores para
pacientes con mayor prioridad. La justicación de esto es que en la función ob-
jetivo del modelo original aparecen términos que crecen de manera exponencial
a medida que aumenta la prioridad. Se propone utilizar pesos de la siguiente
forma:
wp = αCATp
· (1/Qp) (20)
donde CATp ∈ {1, 2, 3, 4, 5}, y depende del tiempo de espera que lleva el
paciente y la categoría, que puede ser A, B, C, D o E decreciendo en orden de
importancia, dependiendo del diagnóstico y los agravantes de cada paciente.
En la siguiente tabla se muestra cómo se calculan los CATp.
Las categorías médicas mencionadas son denidas por los mismos médicos.
Por su parte, α es un parámetro que dene el grado de exponencialidad que
se le quiere dar al parámetro CATp. Tras varias pruebas decidimos trabajar
con dos valores de α, α = 2 y α = 5.
Por último, Qp ∈ {1, 2, .., 10} representa una proporción del tiempo quirúr-
gico demandado para la intervención del paciente p. Este tiempo es discretizado
35

1 semana 1 mes 3 meses 6 meses ≥ 6 meses
A 3 4 5 5 5
B 2 3 4 5 5
C 1 2 3 4 5
D 1 1 2 3 4
E 1 1 1 2 3
Tabla 1: Categorías para la Variante del Modelo de Programación Lineal Entera
en enteros del 1 al 10, donde 1 se le asigna a la intervención más larga y 10
a la más corta. La idea de este coeciente es que ante situaciones de empate
producidas por igualdad en el valor de αCATp , se le asigne mayor prioridad a
las intervenciones más largas, tal cual fue sugerido por los médicos.
Con esto la función objetivo utilizada en este método queda de la siguiente
manera:
m´ax λF ·
i,p,doc1,doc2,pab
wp · tp,doc1,doc2,pab
i − λH ·
i
xi
+λS ·
i,p,doc1,doc2,pab
δp
i (21)
En nuestra implementación se consideró λF = 1. Este valor se tomó por
simplicidad del modelo. Los valores de λH y λS elegidos luego de realizar
algunas pruebas fueron los siguientes:
λH =
max(wp)
2
y λS =
1
λH
(22)
2.3. Algoritmo Basado en un Modelo de Factibilidad
La idea detrás de este algoritmo es dividir nuevamente el problema en dos
partes: la primera, es resolver el problema de quién debe ser operado en la
semana considerada; y la segunda, es resolver cuándo (qué día) intervenir a
los pacientes que se decidió operar. El método consta de dos partes, éstas son
descritas a continuación:
1. Problema de Asignación: El problema de A quién operar puede ser
resuelto por un árbol binario que recorra por paciente (en orden de prio-
ridad) y ejecute un modelo de factibilidad para saber si dicho paciente
puede ser asignado o no. Esto signica ejecutar un modelo de factibili-
dad n veces. En la gura 1 se muestra como se construye el algoritmo
computacional:
36

Figura 1: Problema de Asignación
Al nal de este algoritmo computacional se tiene la lista de todos los pa-
cientes que es factible asignar, respetando el criterio de prioridad. Como
la búsqueda de factibilidad se hace en el mismo orden que el resultado del
criterio de prioridad, los pacientes son asignados respetando la prioridad
de manera estricta. Es decir, un paciente asignado no entra en conicto
con un paciente de mayor prioridad, ya que si el paciente de mayor prio-
ridad no fue asignado antes, es porque no es factible de ser asignado y
no porque el método elija a otro de menor prioridad.
2. Problema de Calendarización: El problema de la calendarización
puede ser resuelto después de resolver el problema de asignación, con
un modelo de programación lineal entera que ya no considera la prio-
ridad. Como los pacientes son establecidos en el punto anterior en este
punto se debe considerar sólo a los pacientes que fueron asignados. En
este caso la función objetivo queda de la siguiente forma:
m´ax −λH ·
i
xi + λS ·
i,doc1,doc2,pab,p∈A
δp
i (23)
donde A es el conjunto de los pacientes asignados mediante el algoritmo
de factibilidad. Por simplicidad se utilizó el valor de λS igual a uno.
Luego, el valor de λH se eligió de tal forma que fuera igual al mayor
valor que puede tomar el otro término de la función objetivo. El de valor
ocupado se muestran a continuación:
37

λH =
i,p∈A
δp
i (24)
este valor depende de N (el número de pacientes) y de las jornadas uti-
lizadas en cada escenario.
2.4. Algoritmo del Tipo Backtracking
Otra perspectiva es desarrollar un algoritmo que encuentre soluciones factibles,
dependiendo de las reglas de asignación denidas por el hospital. Una vez
obtenidas estas soluciones se puede evaluar cuál de ellas es la más conveniente.
La idea se basa en un algoritmo de tipo Backtracking, incluyendo algunas
modicaciones para poder resolver este problema particular. A continuación se
muestran los pasos:
1. Creación de asignaciones factibles: Esta etapa consiste en generar
listas de jornadas en las cuales se puede operar un paciente. En este punto
se consideran la duración de la operación (que no sobrepase el largo de la
jornada), la disponibilidad del médico que puede realizar esa operación
y si la operación es especial (éstas no pueden ser operadas en la tarde).
2. Creación de combinación de asignaciones factibles: Es un método
que permite construir combinaciones factibles, entre asignaciones factibles
determinadas en la parte anterior. En este punto se considera la facti-
bilidad de cada paciente agregado, que no pueden existir más de dos
operaciones especiales en una jornada y que el total de duraciones no
exceda la duración de la jornada acumulada para cada combinación.
La técnica de este método es generar arreglos que contengan la informa-
ción de las asignaciones factibles de los pacientes asignados. Cada vez
que se genera un arreglo (o combinación de asignaciones factibles) se
ingresa a una pila (o stack) de dos entradas. Cuando se recorren todas
las asignaciones factibles de cada paciente, se extrae un elemento de la
pila y se comprueba la factibilidad de agregar asignaciones factibles del
paciente siguiente al arreglo extraído. Si la combinación es factible, esa
asignación se agrega al arreglo y el arreglo ingresa nuevamente a la pila.
Si no es factible se prueba con otra asignación del paciente siguiente. Co-
mo consecuencia de la aplicación del método, la pila tendrá al nal del
proceso combinaciones de pacientes asignados a jornadas con el máximo
de pacientes factibles y respetando la prioridad de éstos.
38

3. Salto de paciente: Cuando las asignaciones factibles de un paciente no
pueden ser asignados a ninguna combinación este paciente no es agre-
gado y se continúa con el paciente que tenga la prioridad más cercana
a dicho paciente. Para lograr esto se denen 2 pilas donde la segunda
pila almacena todas las combinaciones que no pudieron ser agregadas a
la pila principal. En el caso que ninguna combinación pudo ser vuelta a
agregar a la pila principal (es decir, un paciente no puedo ser asignado a
ninguna combinación), entonces se continua con el paciente siguiente y
la pila principal pasa a ser la secundaria.
4. Evaluación de soluciones factibles: El resultado de la etapa anterior
puede entregar más de una solución factible. En esta etapa se evalúan las
soluciones, considerando que mientras menor sea la edad del paciente se
incrementa la prioridad por operarlos en la mañana y que las operaciones
más urgentes se intentan operar en los primeros días de la semana. Como
resultado de esta etapa se obtiene una única solución factible, que es
mejor que las otras combinaciones.
3. Resultados
En este capítulo se presenta un resumen de los resultados obtenidos en
la comparativa de modelos y una comparación con una situación real. El de-
sempeño de cada modelo puede ser evaluado en distintos escenarios según la
calidad de la solución entregada. Los indicadores de la calidad denidas para
los modelos son:
1. Tiempo de Ejecución: Una implementación rutinaria de un sistema
que incluya un modelo de programación de pabellones como el que se
desarrolló en este proyecto debe poder resolver el problema en menos de
un tiempo límite. Si se considera que la ejecución del modelo ocurrirá en
una reunión de médicos cirujanos, ésta no podría tardar más de 10 ó 15
minutos.
2. Porcentaje de Utilización de Pabellón: Según el Ministerio de Salud
de Chile el porcentaje de utilización proviene de:
Porcentaje de Utilización =
hO + hP
hD
(25)
39

donde hO son las Horas Mensuales Ocupadas Totales, hP las Horas
Mensuales de Preparación y hD representa el Total de Horas Mensuales
Disponibles.
3. Respeto de la Prioridad: Al existir una prioridad especíca para cada
paciente en la lista de espera, establecida previamente a la ejecución del
modelo o el algoritmo, se debe respetar esta lista en la asignación. Para
poder comparar estos resultados se puede obtener el logaritmo de la suma
de los Prip de los pacientes asignados, de la siguiente forma:
log10
p∈A
Prip · tp (26)
donde A es el conjunto de pacientes asignados por el modelo. Este valor
representa la calidad de la solución en función de la solución que se
obtiene de todos los modelos y permite comparar los resultados de los
modelos en un mismo escenario.
3.1. Escenarios de Comparación y Valores que Denen los Es-
cenarios de Estudio
Las características de las especialidades y las listas de espera de éstas
pueden variar dependiendo del hospital. Los modelos desarrollados están pen-
sados para poder operar frente a diferentes escenarios y basados en la informa-
ción real de los hospitales. A continuación, se presenta una clasicación de 4
variaciones que fueron consideradas y los valores utilizados en cada una, para
evaluar los resultados entregados por cada modelo en diferentes escenarios.
1. Número de pacientes: Corresponde al número de pacientes en la lista
de espera quirúrgica de determinada especialidad que se pretende pro-
gramar. En una semana, una especialidad con 10 jornadas disponibles
opera cerca de 25 pacientes. Para que el modelo pueda manejar distintas
alternativas de asignación se deben incluir al menos el doble de pacientes.
Para evaluar el desempeño de los modelos se consideraron 50, 100 y 200
pacientes.
2. Tiempos de duración de intervenciones en función del tiempo
de duración de la jornada: Algunas especialidades médicas se carac-
terizan por tener duraciones de intervenciones más largas que otras. Para
el caso de la duración de las operaciones, se utilizó información histórica
40

del hospital. Se estudiaron 4 situaciones donde el promedio de las dura-
ciones de las intervenciones con respecto a la duración de las jornadas
fue 12,5 %, 25 %, 37,5 % y 50 %.
3. Número de jornadas en las que se pueden programar pacientes:
El número de jornadas en las que se pueden programar pacientes depende
en algunos casos de la preasignación de horas de pabellón a las especiali-
dades médicas y en otros casos de los recursos con que ésta cuente. Sobre
el número de jornadas que se opera, las especialidades del hospital con
el cual se trabajó poseían 10 jornadas disponibles en la semana (2 jor-
nadas por día, durante 5 días), en las cuales operaban considerando 2
pabellones.
4. Número de jornadas y/o pabellones disponibles por paciente:
Un paciente puede ser programado a priori en más de una jornada y/o
pabellón (para que el problema tenga sentido). Para estimar el número
de jornadas factibles a priori por paciente por semana, se consideraron
casos reales y se trabajó con 3 valores diferentes para este parámetro:
2,5; 3,5 y 4,5 jornadas por semana.
De este modo, se consideraron 36 escenarios diferentes, que se constituyen
al considerar 3 números de pacientes, 4 duraciones promedio de las interven-
ciones, 1 número de jornadas semanales y 3 números de jornadas disponibles
por paciente por semana.
3.2. Resultados Obtenidos
Para todos los efectos comparativos, los modelos fueron ejecutados en el
mismo computador, el cual contó con un procesador AMD Phenom II X4 965
de 3,4GHz y 8 GB de memoria RAM. El algoritmo de Backtracking fue pro-
gramado en Java utilizando la herramienta NetBeans 6.9.1, para la ejecución
del programa se le asignó una memoria disponible máxima 6,5 GB. Los otros
métodos se modelaron en GAMS 23.5 y se resolvieron con CPLEX versión
12.2.
3.2.1. Tiempos de Ejecución
En la tabla 2 se muestra un resumen de los tiempos de ejecución prome-
dio en los escenarios estudiados, donde AB corresponde al algoritmo del tipo
Backtracking, MPLE es el modelo de programación lineal entera, VMPLE es
la variante del modelo de programación lineal entera y ABMF corresponde al
algoritmo basado en un modelo de factibilidad
41

N de pacientes MPLE VMPLE ABMF AB
50 0:07 0:08 6:01 0:04
100 0:15 0:15 23:31 0:04
200 0:28 0:29 97:18 0:07
Tabla 2: Resumen de Tiempos de Ejecución Promedio (en minutos) por Modelo
y Número de Pacientes
Cabe notar que el promedio de tiempo corresponde a los casos efectivamente
resueltos, un 100 % en todos los casos excepto en el algoritmo de Backtracking,
que fue un 60 % del total (en el 40 % restante Java detuvo la ejecución del
algoritmo indicando problemas de asignación de memoria RAM).
Los resultados obtenidos en cuanto a tiempos de ejecución son bastante
similares entre los modelos de programación lineal entera y su variante. Es
posible ver, en ambos casos, que dependen del número de pacientes. El algorit-
mo del tipo Backtracking entregó en general muy buenos resultados desde el
punto de vista del tiempo de ejecución, independiente del número de pacientes,
en todos los casos en los que pudo encontrar una solución.
El algoritmo basado en un modelo de factibilidad en todos los escenarios
estudiados tardó signicativamente más tiempo en entregar la solución. No
obstante, este algoritmo por construcción, entrega la mejor solución desde el
punto de vista del número y prioridad de los pacientes asignados. El algoritmo
del tipo Backtracking entregó el mismo resultado que el algoritmo basado en
un modelo de factibilidad. Sin embargo, como ya fue comentado el algoritmo
del tipo Backtracking no en todos los escenarios logró completar la ejecución.
Especícamente, el algoritmo del tipo Backtracking falló en escenarios con
duraciones de intervenciones mucho menores que la duración de las jornadas o
cuando el número de jornadas factibles por paciente era cercano al número de
jornadas por semana.
3.2.2. Utilización de Pabellón
Los escenarios estudiados muestran que cuando las duraciones de las in-
tervenciones son muy cortas en comparación a las duraciones de la jornadas
(12,5 %) y son pocos los pacientes que se desean programar, la asignación
máxima de pacientes no logra cubrir un porcentaje importante de las jornadas
disponibles. Por ésto, en estos casos, se obtienen bajas tasas de utilización de
pabellón. Por otro lado, cuando las duraciones de las intervenciones son cer-
canas a la mitad de la duración de las jornadas, disminuyen las combinaciones
que permiten obtener buenos resultados en la utilización de pabellón. Para
escenarios similares al real el resultado de todos los modelos supero el 95 % de
42

utilización del tiempo disponible.
3.2.3. Respeto de la Prioridad
La representación gráca del respeto de la prioridad no es simple, una al-
ternativa es marcar en una tabla los pacientes que fueron asignados en cada
modelo, como en la gura 2. En esta tabla se ordenan los pacientes según
prioridad, dejando al principio los pacientes prioritarios. Resulta interesante
observar un ejemplo de esta asignación en el escenario que considera 50 pa-
cientes, duraciones de intervenciones promedio del 37,5 % de la duraciones de
las jornadas y jornadas disponibles a priori de 3,5 promedio por paciente.
Figura 2: Respeto de la Prioridad
Para esta parte se analizaron diferentes valores de α en el estudio de la
variante del modelo de programación lineal entera. En esta gura se muestran
las soluciones con α = 2 (VMPLE1) y α = 5 (VMPLE2). Se puede observar
que el algoritmo del tipo Backtracking entregó los mismos resultados, desde el
punto de vista del respeto a la prioridad, que el algoritmo basado en un modelo
de factibilidad y el modelo de programación lineal entera. Los resultados de
estos modelos fueron mejores, en todos estos escenarios, que los resultados
43

obtenidos por las variantes del modelos de programación lineal entera.
3.3. Resultados Obtenidos en los Casos Reales
Por razones de condencialidad del hospital, la información aquí mostrada
no contiene datos que permitan identicar a los pacientes. Los casos reales
estudiados corresponden a lo ocurrido en la segunda semana de Agosto del
2009 en la especialidad de Cirugía General en los pabellones 3 y 4 del Hospital
Luis Calvo Mackenna. En la gura 3 es posible observar los tiempos totales
en minutos ocupados en cada jornada.
Figura 3: Programación de Pabellones en el Caso Real
En la gura 4 se muestra para la misma semana si se hubiese utilizado
la programación propuesta por el algoritmo del tipo Backtracking, el modelo
de programación lineal entera y la variante del modelo de programación lineal
entera (para este caso los 3 modelos entregaron la misma solución). En esta
tabla también se adjunta el médico que fue asignado.
Figura 4: Programación de Pabellones Utilizando los Modelos Propuestos con
los Mismos Médicos Asignados y Conservando el Primer Paciente
Este escenario corresponde al de 100 pacientes, 10 jornadas disponibles,
duraciones de intervenciones promedio del 37.5 % de la duraciones de las jor-
nadas y jornadas disponibles a priori de 2,5 promedio por paciente. Por otro
44

lado, se evaluó el mismo caso, pero considerando 3,5 de promedio de jornadas
prefactibles por paciente. Esto es posible mediante la relajación de algunas
reglas de asignación de médicos a pacientes. Con esto se obtiene el resultado
que se presenta en la tabla 3.
Minutos Minutos Porcentaje Mejora
Utilizados Disponibles de utilización
Programación Manual 2185 2820 77,50 % -
Modelos (Jornada de 2,5) 2455 2820 87,10 % 9,60 %
Modelos (Jornada de 3,5) 2624 2820 93,00 % 15,60 %
Tabla 3: Resultados Obtenidos en un Caso Real
Esto permite mostrar que la elección de políticas menos restrictivas im-
pacta positivamente en la utilización del pabellón y que la programación de
pabellones, utilizando los métodos aquí descritos, puede aumentar en un caso
real la utilización del pabellón.
4. Conclusiones
Los modelos desarrollados permiten entregar soluciones a la programación
de pabellones quirúrgicos en hospitales públicos de buena calidad según los
médicos encargados. Estos modelos pueden entregar asignaciones horarias que
permitirían mejorar las utilizaciones de pabellón entre un 10 % y un 15 % sobre
la situación actual, lo que representa una oportunidad para los hospitales públi-
cos de Chile. Este número depende de las restricciones que se consideren para
la programación. Es posible además observar que la utilización del pabellón
obviamente aumenta mientras menos restricciones se incorporen.
Un aporte importante de este estudio es la incorporación de la prioridad
relativa del paciente en el modelo de agendamiento y cómo el manejo de és-
ta puede ser fundamental en el modelamiento del problema de programación
de pabellones. Como se vio en la literatura consultada, en muchos estudios
la decisión de asignación se centra en intentar minimizar los costos de opera-
ción, pero no incorporan criterios como el tiempo de espera del paciente y su
condición biomédica.
Desde el punto de vista de los modelos desarrollados el algoritmo del tipo
Backtracking permite resolver en muchas instancias el problema planteado en
tiempos cercanos al segundo, en comparación al resto de los modelos estudia-
dos que requieren más tiempo. Sin embargo, para casos donde existe un gran
número de soluciones factibles este método puede no entregar soluciones en
45

tiempos razonables. Con respecto al respeto de la prioridad, el algoritmo del
tipo Backtracking entregó los mismos resultados que el algoritmo basado en un
modelo de factibilidad, que por construcción entrega el mejor resultado desde
el punto de vista de la prioridad. Con respecto a la utilización de pabellón,
el resultado entregado por el algoritmo del tipo Backtracking depende de las
características de duración de las intervenciones de los pacientes asignados.
Respecto al tiempo de ejecución, el modelo de programación lineal entera
cumple con los requerimientos de tiempo máximo estimado para entregar la
solución. Si bien los tiempos de ejecución son menores en todos los escenarios
estudiados que los tiempos del algoritmo basado en un modelo de factibilidad,
este algoritmo tarda algunos segundos más que el algoritmo del tipo Back-
tracking. El principal problema del modelo de programación lineal entera es la
prioridad. La forma original de modelarla lleva a que crezca exponencialmente
el valor que determina la prioridad de cada paciente.
La variante del modelo de programación lineal entera presenta algunos
problemas en lo que reere al respeto de la prioridad. Si bien el valor que toma
wp puede ser modicado o ajustado mediante los valores de α, esto hace que
sea muy poco versátil frente a una implementación rutinaria. Desde el punto de
vista de la utilización de pabellón este método suele mostrar mejores resultados
porcentuales en comparación a los otros modelos.
El problema del algoritmo basado en un modelo de factibilidad es su tiempo
de ejecución, debido a que se ejecuta el algoritmo de factibilidad tantas veces
como pacientes sean ingresados en cada escenario. Desde el punto de vista de la
calidad del resultado es fácil determinar que siempre entrega la mejor solución
con respecto al cumplimiento de la prioridad, pero los tiempos de ejecución se
escapan por mucho a los máximos permitidos en una implementación rutinaria.
En la actualidad estos modelos están siendo probados en un hospital pediátri-
co de Santiago de Chile. Para esto, se utilizó un desarrollo previo que permite
priorizar pacientes en base a criterios de tiempos de espera y complejidad
biomédica [1]. Hemos desarrollado e implementado una aplicación computa-
cional que, basada en nuestro modelos, permite generar programaciones se-
manales de pabellón. Las pruebas han mostrado que los resultados que se
obtienen son satisfactorios tanto desde el punto de vista clínico como desde el
aprovechamiento de los recursos del hospital.
46

Agradecimientos: A Oscar Barros por motivarnos a trabajar en este pro-
blema y a Daniel Espinoza por sus interesantes sugerencias. También a au-
toridades y médicos del Hospital Luis Calvo Mackenna por su colaboración
en este proyecto. El segundo autor es parcialmente nanciado por el proyec-
to FONDECyT 1110797 (Chile), el Instituto Milenio Sistemas Complejos de
Ingeniería (Chile), ANPCyT PICT-2007-00518 (Argentina), CONICET PIP
112-200901-00178 (Argentina), y UBACyT 20020090300094 (Argentina).
Referencias
[1] Oscar Barros and Cristian Julio. Enterprise and process architecture pat-
terns. Business Process Management Journal, 17:598618, 2011.
[2] B. Cardoen, E. Demeulemeester, and J. Belién. Scheduling surgical cases
in a day-care environment: An exact branch-and-price approach. Com-
puters and Operations Research, 36(9):26602669, 2009.
[3] B. Cardoen and J Demeulemeester, E.and Belién. Operating room plan-
ning and scheduling: A literature review. European Journal of Operational
Research, 201:921932, 2010.
[4] M. Daiki and Y. Yuehwern. An elective surgery scheduling problem consid-
ering patient priority. Computers and Operations Research, 37:10911099,
2009.
[5] F. Dexter and A. Macario. Changing allocations of operating room time
from a system based on historical utilization to one where the aim is
to schedule as many surgical cases as possible. Anesthesia and Analges,
94:12721279, 2002.
[6] G.L.M Hilkhuysen, J.P. Oudho, Wal G. Rietberg, M., and D.R.M. Tim-
mermans. Waiting for elective surgery: a qualitative analysis and concep-
tual framework of the consequences of delay. Public Health, 119:290293,
2005.
[7] A. Jebali, A.B.H. Alouane, and P. Ladet. Operating rooms scheduling.
International Journal of Production Economics, 99:5262, 2006.
[8] A. D. MacCormick, W. G. Collecutt, and B. R. Parry. Prioritizing patients
for elective surgery: A systematic review. ANZ Journal of Surgery, 73:633
642, 2003.
47

[9] P.M. Mullen. Prioritising waiting lists: How and why? European Journal
Operational Research, 150:3245, 2003.
[10] J.P. Oudho, D.R. Timmermans, D.L. Knol, A.B. Bijnen, and G. Wal.
Prioritising patients on surgical waiting lists: A conjoint analysis study
on the priority judgements of patients, surgeons, occupational physicians,
and general practitioners. Social Science and Medicine, 64:18631875,
2007.
[11] C. Reveco and R. Weber. Gestión de capacidad en el servicio de urgencia
en un hospital público. Revista Ingeniería de Sistemas, 25:5775, 2011.
[12] B. Roland, C Di Martinelly, and F Riane. Operating theatre optimiza-
tion: A resource constrained based solving approach. Service Systems and
Service Management, 2:443448, 2006.
[13] P. Santibánez, M. Begen, and Atkins D. Surgical block scheduling in a
system of hospitals: an application to resource and wait list management
in a british columbia health authority. Health Care Manage Sci, 10:269
282, 2007.
[14] A. Testi, E. Tanfani, R. Valente, L. Ansaldo, and C. Torre. Prioritizing
surgical waiting lists. Journal of Evaluation in Clinical Practice, Univer-
sity of Genova, Villa Scassi Hospital, Génova, Italy, 14:5964, 2006.
[15] R. Valente, A. Testi, E. Tanfani, M. Fato, I. Porro, M. Santo, G. Santori,
G. Torre, and G. Ansaldo. A model to prioritize access to elective surgery
on the basis of clinical urgency and waiting time. BMC health services
research, 9, 2009.
[16] B. Zhang, P. Murali, M. Dessouky, and D. Belson. A mixed integer pro-
gramming approach for allocation operating room capacity. Journal of
the Operational Research Society, 60:663673, 2008.
48

Pu4

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Was ist angesagt?

Was ist angesagt? (20)

Ähnlich wie Pu4

Ähnlich wie Pu4 (20)

Mehr von Magda Saenz

Mehr von Magda Saenz (9)

Pu4